趙 麗 郭旭宏 耿麗清

(天津市信息傳感與智能控制重點(diǎn)實(shí)驗(yàn)室天津職業(yè)技術(shù)師范大學(xué)，天津 300222)

引言

腦-機(jī)接口(brain computer interface，BCI)是在人腦和計(jì)算機(jī)或其他電子設(shè)備之間建立不依賴于常規(guī)大腦信息輸出通路(外周神經(jīng)和肌肉組織)的全新對(duì)外信息交流和控制技術(shù)［1－3］。

腦電信號(hào)(electroencephalogram，EEG)反映了腦細(xì)胞的電生理活動(dòng)，當(dāng)大腦皮層區(qū)在某一時(shí)刻處于活躍狀態(tài)時(shí)，若與之對(duì)應(yīng)的腦電信號(hào)頻率的幅值或者能量值表現(xiàn)為降低，則稱這種現(xiàn)象為事件相關(guān)去同步(ERD)現(xiàn)象;相反，當(dāng)大腦皮層區(qū)在某一時(shí)刻未處于活躍狀態(tài)，則與之對(duì)應(yīng)的腦電信號(hào)頻率的幅值或者能量值表現(xiàn)為升高，這種現(xiàn)象稱為事件相關(guān)同步(ERS)現(xiàn)象［4］。實(shí)驗(yàn)證明，受試者想象肢體運(yùn)動(dòng)時(shí)，大腦運(yùn)動(dòng)感覺(jué)區(qū)的μ節(jié)律(8～12 Hz)和β節(jié)律(14～26 Hz)會(huì)產(chǎn)生ERD/ERS現(xiàn)象，基于此原理可以設(shè)計(jì)不依賴外部刺激器的自發(fā)腦-機(jī)接口系統(tǒng)。

目前，基于運(yùn)動(dòng)想象腦電信號(hào)的研究主要分為在線和離線兩大類。在線BCI系統(tǒng)注重實(shí)時(shí)性，大多根據(jù)先驗(yàn)知識(shí)，對(duì)固定時(shí)間、固定頻率的腦電節(jié)律進(jìn)行處理分析，由于沒(méi)有考慮腦電信號(hào)的個(gè)體差異，或同一受試在不同狀態(tài)下的差異，在線多類運(yùn)動(dòng)想象BCI系統(tǒng)的正確率在75%左右［5］，相比其它范式的BCI系統(tǒng)還不夠成熟。

因此本研究探索一種適合在線多類運(yùn)動(dòng)想象腦-機(jī)接口系統(tǒng)的信號(hào)處理方法，在盡可能不增加系統(tǒng)復(fù)雜度的前提下，通過(guò)分析ERD/ERS比率，自適應(yīng)選擇不同受試者的最優(yōu)時(shí)間和頻段，以減少受試的訓(xùn)練次數(shù)，提高系統(tǒng)的適用性。

本研究設(shè)計(jì)了基于LabVIEW平臺(tái)的腦電采集和實(shí)時(shí)反饋系統(tǒng)，利用ERD/ERS比率、小波包分解和馬氏判別的方法對(duì)想象左手運(yùn)動(dòng)、右手運(yùn)動(dòng)和腳運(yùn)動(dòng)時(shí)產(chǎn)生的腦電信號(hào)進(jìn)行實(shí)時(shí)分類，實(shí)驗(yàn)結(jié)果表明三類想象的平均正確率達(dá)到84.3%，取得了較為理想的效果。

1 實(shí)驗(yàn)設(shè)計(jì)

1.1 實(shí)驗(yàn)平臺(tái)

本實(shí)驗(yàn)由采集系統(tǒng)和計(jì)算機(jī)軟件系統(tǒng)兩個(gè)部分組成。采集部分主要包括腦電放大器和電極線，完成信號(hào)的采集、放大，A/D轉(zhuǎn)換后由USB傳送保存在計(jì)算機(jī)內(nèi)。腦電放大器為中科新拓NT9200，電極線選用Ag-AgCl電極。

計(jì)算機(jī)軟件系統(tǒng)以LabVIEW平臺(tái)為核心，完成用戶界面和流程控制，如圖1所示，左半面為提示界面，受試者按照燈點(diǎn)亮的順序執(zhí)行對(duì)應(yīng)的動(dòng)作;右半面為反饋界面，在想象結(jié)束后將分類結(jié)果提示給受試者。

圖1 實(shí)驗(yàn)界面Fig.1 Practice interface

1.2 實(shí)驗(yàn)流程

實(shí)驗(yàn)在相對(duì)安靜的實(shí)驗(yàn)室內(nèi)進(jìn)行，共有5名年齡在23歲到26歲身體健康的同學(xué)參加，均為右利手。由于運(yùn)動(dòng)想象相對(duì)復(fù)雜，對(duì)受試者要求較高，因此正式采集前需要對(duì)實(shí)驗(yàn)者進(jìn)行訓(xùn)練，分別想象左手右手拍籃球、腳踢足球，并保證實(shí)驗(yàn)者熟悉自發(fā)腦電的誘發(fā)過(guò)程和原理。

單次采集實(shí)驗(yàn)持續(xù)6 s，t=0 s時(shí)，預(yù)備燈點(diǎn)亮，t=2 s時(shí)，左手、右手或腳想象的燈被隨機(jī)點(diǎn)亮，t=3 s時(shí)受試者根據(jù)屏幕提示進(jìn)行相應(yīng)的運(yùn)動(dòng)想象，t=6 s時(shí)，停止想象的燈點(diǎn)亮，想象任務(wù)結(jié)束，之后有3 s的休息時(shí)間。每個(gè)受試者完成90次實(shí)驗(yàn)，其中想象左手、右手和腳運(yùn)動(dòng)各30次。以雙耳乳突A1、A2為參考電極，采集C3、C4和Cz等3個(gè)通道的腦電信號(hào)，采樣率為250 Hz。

2 小波包與小波包熵

腦電信號(hào)是典型的非平穩(wěn)信號(hào)，經(jīng)典的信號(hào)處理方法無(wú)法同時(shí)兼顧信號(hào)的時(shí)域和頻域特征，小波變換可以在不同的時(shí)間-尺度下觀察信號(hào)的能量，是處理非平穩(wěn)隨機(jī)信號(hào)的重要方法之一。

（2）還可以利用現(xiàn)代多媒體手段來(lái)收集音樂(lè)資料，并合理地應(yīng)用于幼兒音樂(lè)教學(xué)中，使民間音樂(lè)得以傳承和發(fā)揚(yáng)。

小波包變換在小波多分辨分析的基礎(chǔ)上，對(duì)沒(méi)有細(xì)分的高頻部分進(jìn)一步分解，從而實(shí)現(xiàn)了將信號(hào)按照任意的時(shí)頻分辨率分解到不同的頻段，將時(shí)頻成分相應(yīng)的投影到所代表不同頻段的正交小波包空間上［7－8］。

Mallat分解算法得到的小波包會(huì)產(chǎn)生頻段與小波包節(jié)點(diǎn)順序顛倒的現(xiàn)象。為了后面特征提取部分能夠提取正確的頻段信息，通過(guò)Matlab進(jìn)行仿真，構(gòu)造一個(gè)頻率1～125 Hz、采樣率250 Hz的混合正弦信號(hào)，對(duì)其6層小波包分解并對(duì)各個(gè)節(jié)點(diǎn)分別重構(gòu)，利用傅立葉變換分析各個(gè)重構(gòu)信號(hào)的頻段范圍，通過(guò)實(shí)驗(yàn)仿真，得到小波包節(jié)點(diǎn)與對(duì)應(yīng)的頻段關(guān)系如表1所示。

表1 小波包節(jié)點(diǎn)和頻帶范圍Tab.1 Wavelet packet node and frequency bands

小波包熵是在熵的概念上進(jìn)一步發(fā)展，它用來(lái)度量信號(hào)能量在各個(gè)節(jié)點(diǎn)分布的無(wú)序程度，當(dāng)各個(gè)節(jié)點(diǎn)能量均衡時(shí)，小波包熵值最大，各個(gè)節(jié)點(diǎn)的能量差別越大，則小波包熵值越?。?］。

3 數(shù)據(jù)處理

3.1 濾波

由于腦電信號(hào)十分微弱，采集到的信號(hào)中包含很多干擾和偽跡的成分，因此必須在數(shù)據(jù)處理前進(jìn)行預(yù)處理。運(yùn)動(dòng)想象時(shí)主要刺激的是感覺(jué)運(yùn)動(dòng)皮層的μ節(jié)律和β頻段，采用db4小波進(jìn)行6層分解，頻帶寬度 1.95 Hz，由表 1可知節(jié)點(diǎn)(6.6)、(6.7)、(6.5)、(6.13)、(6.15)、(6.14)大致對(duì)應(yīng) μ節(jié)律和β頻段，因此將這6個(gè)節(jié)點(diǎn)的小波系數(shù)重構(gòu)，疊加后得到只包含μ節(jié)律和β頻段的濾波信號(hào)，濾波后的信號(hào)頻率能量大部分集中在7～13 Hz和17～24 Hz，較好的保留了相關(guān)頻段的信息。

3.2 特征頻段和時(shí)間的選擇

ERD/ERS比率用來(lái)表示運(yùn)動(dòng)想象時(shí)腦電信號(hào)的變化程度，如公式(1)所示:

式中，M表示想象時(shí)腦電信號(hào)的能量，B表示安靜狀態(tài)時(shí)的腦電能量，f為變化程度，若為正值，表明腦電能量增大，即出現(xiàn)ERS現(xiàn)象，若為負(fù)值表明腦電能量減少，即出現(xiàn)ERD現(xiàn)象。

由于腦電信號(hào)具有很強(qiáng)的個(gè)體差異性，ERD/ERS現(xiàn)象是大量數(shù)據(jù)統(tǒng)計(jì)的結(jié)果，并不是每個(gè)人每次實(shí)驗(yàn)都能產(chǎn)生非常標(biāo)準(zhǔn)的ERD/ERS現(xiàn)象，因此想象手部運(yùn)動(dòng)時(shí)，著重比較C3與C4通道的ERD/ERS比率差，差值越大則可分性越高;想象腳運(yùn)動(dòng)時(shí)，著重選擇Cz通道的ERD/ERS比率，越小可分性越好。

具體方法為:首先將(6.4)～(6.15)12個(gè)節(jié)點(diǎn)分別重構(gòu)，得到重構(gòu)信號(hào);然后將0～2 s的腦電信號(hào)能量作為基線，分別計(jì)算2～4 s、3 ～5 s、4 ～6 s時(shí)的ERD/ERS比率;最后根據(jù)上述方法，分析ERD/ERS比率，選出特征頻段和時(shí)間。

以其中一名受試者為例，表2至表4分別為想象左手、右手和腳時(shí)，C3、C4和Cz通道12個(gè)頻帶和3個(gè)時(shí)段的ERD/ERS比率。

表2 某受試者想象左手運(yùn)動(dòng)時(shí)的ERD/ERS比率Tab.2 ERD/ERS rates of a participant imagine left hand

表3 某受試者想象右手運(yùn)動(dòng)時(shí)的ERD/ERS比率Tab.3 ERD/ERS rates of a participant imagine right hand

表4 某受試者想象腳運(yùn)動(dòng)時(shí)的ERD/ERS比率Tab.4 ERD/ERS rates of a participant imagine foot

分析表2，此受試者想象左手運(yùn)動(dòng)，首先選擇特征時(shí)間，橫向?qū)Ρ韧还?jié)點(diǎn)時(shí)2～4 s、3～5 s、4～6 s的ERD/ERS比率，可以看出3～5 s時(shí)的絕對(duì)值普遍較高，說(shuō)明該受試者的特征時(shí)間在3～5 s。然后選擇特征頻段，縱向?qū)Ρ?6.4)～(6.15)節(jié)點(diǎn)的ERD/ERS比率，可以看出在(6.4)(6.5)(6.9)(6.11)(6.14)節(jié)點(diǎn)處C3比C4通道的ERD/ERS比率高，即特征頻段主要為11.7～17.5 Hz和21.5～27.5 Hz。

同理分析表3和表4可以得出，想象右手運(yùn)動(dòng)時(shí)特征時(shí)間在 3 ～5 s，在(6.4)、(6.5)、(6.9)、(6.12)、(6.13)、(6.15)節(jié)點(diǎn)處 C4比 C3通道的ERD/ERS比率高，即特征頻段主要為11.7～21.5 Hz。想象腳運(yùn)動(dòng)時(shí)，特征時(shí)間在3～5 s，在(6.8)、(6.10)、(6.12)、(6.14)、(6.15)節(jié)點(diǎn)處 Cz通道的ERD現(xiàn)象較明顯，即特征頻段主要為15.6～17.5 Hz和19.5～21.5 Hz。

綜合以上分析可以得出，該受試者在3～5 s，節(jié)點(diǎn)(6.4)、(6.5)、(6.12)、(6.15)的區(qū)分度最好。

3.3 特征提取

將小波包歸一化能量和小波包熵組合為特征向量。設(shè)m層小波包分解后第w個(gè)節(jié)點(diǎn)的系數(shù)為向量Wi(i=1，2…n)，n表示節(jié)點(diǎn)的長(zhǎng)度，則第w個(gè)小波包的歸一化能量為Pw:

仍以上名受試者為例，由分析特征頻段和時(shí)間的結(jié)果可知，節(jié)點(diǎn)(6.4)、(6.5)、(6.12)、(6.15)的ERD/ERS現(xiàn)象較好，因此選擇這四個(gè)節(jié)點(diǎn)和小波包熵組成 5 維特征向量［P6.4、P6.5、P6.12、P6.15、S］，再將C3、C4和Cz等3個(gè)通道的特征向量組合可得15維的特征向量，為模式識(shí)別做好準(zhǔn)備。

3.4 馬氏距離判別

馬氏距離進(jìn)行分類就是計(jì)算待測(cè)樣本與各個(gè)標(biāo)準(zhǔn)樣本之間的馬氏距離，距離最小的即歸為同一類［10－11］。

將上述得到想象左手、右手和腳運(yùn)動(dòng)的數(shù)據(jù)構(gòu)造為三類標(biāo)準(zhǔn)樣本集L、R和F，分別為30行15列，表示30個(gè)樣本，每次實(shí)驗(yàn)中有15個(gè)特征值。分別計(jì)算各類樣本的均值μL、μR和μF以及全體樣本的協(xié)方差C，將測(cè)試樣本x帶入，按照以下公式計(jì)算馬氏距離:

x所屬類別可由判別式(4)決定:

結(jié)果為dL時(shí)表示為左手，為dR時(shí)表示右手，為dF時(shí)為腳。

4 結(jié)果分析

5名受試者再次按照流程進(jìn)行運(yùn)動(dòng)想象，左手、右手和腳各實(shí)驗(yàn)60次，將數(shù)據(jù)分別按照本研究的方法和經(jīng)典功率譜估計(jì)法進(jìn)行處理，記錄反饋界面的分類結(jié)果，兩種方法的分類結(jié)果如表5所示。

表5 分類結(jié)果Tab.5 The result of classification

由表5可以看出，利用經(jīng)典功率譜估計(jì)法最大正確率78.9%，5名受試者平均正確率為74.3%，本研究提出的方法最大正確率87.8%，5個(gè)受試者的平均正確率可以達(dá)到84.3%，較好區(qū)分了三類運(yùn)動(dòng)想象，也說(shuō)明了經(jīng)典信號(hào)處理方法對(duì)非平穩(wěn)隨機(jī)信號(hào)具有較大的局限性。

利用ERD/ERS比率選取特征頻段和時(shí)間，與Fisher準(zhǔn)則相比，算法簡(jiǎn)單，時(shí)間開(kāi)銷小，基本不影響系統(tǒng)速度，不需要大量的樣本數(shù)據(jù)，可以提高系統(tǒng)的自適應(yīng)性，減少受試者的訓(xùn)練次數(shù)，降低對(duì)受試者的依賴性，適合用于在線BCI系統(tǒng)中，對(duì)擴(kuò)大適用人群具有重要的意義。

通過(guò)分析三類想象的正確率也發(fā)現(xiàn)，想象腳運(yùn)動(dòng)的成功率比想象左右手低，通過(guò)實(shí)驗(yàn)后對(duì)受試者的咨詢發(fā)現(xiàn)，普遍對(duì)腳和左手的運(yùn)動(dòng)想象較為困難，即右利手的受試者則更容易想象右手運(yùn)動(dòng)成功，因此很可能與被試的數(shù)目較少、典型性不夠有關(guān)。

5 結(jié)論

本研究設(shè)計(jì)了基于LabVIEW平臺(tái)的運(yùn)動(dòng)想象腦電信號(hào)采集系統(tǒng)，利用小波包分解對(duì)腦電信號(hào)濾波，通過(guò)分析小波包節(jié)點(diǎn)的ERD/ERS比率，適應(yīng)性的選出最佳特征時(shí)間和頻段，利用馬氏距離對(duì)小波包能量和小波熵的組合特征向量分類判別，平均正確率可以達(dá)到84.3%，較好的實(shí)現(xiàn)了三類運(yùn)動(dòng)想象的分類，提高了系統(tǒng)的自適應(yīng)性。

［1］Houdayer E，Degardin A，Salleron J，etal. Movement preparation and cortical processing of afferent inputs in cortical tremor:An event-related(de)synchronization(ERD/ERS)study［J］.Clinical Neurophysiology，2012，123(6):1207 －1215.

［2］Stepien M，Conradi J，Waterstrat G，et al.Event-related desynchronization of sensorimotor EEG rhythms in hemi paretic patients with acute stroke［J］.Neuroscience Letters，2011，488(1):17－21.

［3］趙麗，孫永，郭旭宏，等.基于穩(wěn)態(tài)視覺(jué)誘發(fā)電位的手機(jī)撥號(hào)系統(tǒng)研究［J］.中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2013，32(2):253－256.

［4］Pfurtscheller G，Lopes da Silva FH.Event-realated EEG/EMG synchronization and desynchronization:basic principles［J］.Clinical Neurophysiology，1999，110(11):1842－1857.

［5］谷艷蕾.基于運(yùn)動(dòng)想象和alpha波的腦機(jī)接口及虛擬漫游系統(tǒng)［D］.杭州:浙江大學(xué)，2012.

［6］李麗君.基于運(yùn)動(dòng)想象的腦電信號(hào)特征提取及分類算法研究［D］.廣州:華南理工大學(xué)，2012.

［7］李明愛(ài)，馬建勇，楊金福.基于小波包和熵準(zhǔn)則的最優(yōu)頻段提取方法［J］.儀器儀表學(xué)報(bào)，2012，33(8):1721－1728.

［8］王宏，趙海斌，劉沖.采用小波熵和頻帶能量提取腦電信號(hào)特征［J］.吉林大學(xué)學(xué)報(bào)(工學(xué)版)，2011，41(3):828－831.

［9］肖毅，陳善廣，韓東旭.基于腦電節(jié)律的小波熵分析方法［J］.科技導(dǎo)報(bào)，2011，29(16):39－44.

［10］萬(wàn)柏坤，劉延剛，明東，等.基于腦電特征的多模式想象動(dòng)作識(shí)別［J］.天津大學(xué)學(xué)報(bào)，2010，43(10):895－900.

［11］王玉靜，宋立新，康守強(qiáng).基于EMD和奇異值分解的心律失常分類方法［J］.信號(hào)處理，2010，26(9):1423－1427.